تدمج النماذج الوسائط المتعددة الحديثة توليدًا وفهمًا في نظام موحد، مما يتيح التعلم من التعليقات التي تم إنشاؤها تلقائيًا. نقدّم UniEvo-VL، إطارًا للتطوير الذاتي يستفيد من التعليقات الذاتية كمعلومات متميّزة أثناء احتساب الاختبار. بدلاً من الاعتماد على نموذج معلم منفصل، غالبًا أكبر، يعمل نموذج واحد متعدد الوسائط كمعلم وطالب باستخدام سياقات مختلفة. يرى الطالب فقط السؤال البسيط، بينما يشروط المعلم على التعليق المتميّز. يهدف التدريب إلى التقليل من الفرق بين التوزيعات التي تُنظّف الموجات ضمن مسارات العينة الخاصة بالطالب. تُظهر التجارب أن UniEvo-VL يحسّن قدرات توليد الصور بينما يحافظ على الحساسية لمعلومات الانعكاس. بناءً على Qwen-image-2512 المفتوح المصدر، لاحظت تحسينات من 0.747 إلى 0.808 في Gen Eval ومن 32.97 إلى 35.53 في Gen Eval2 Soft-TIFA. تُظهر المحاولات باستخدام منتقدين خارجيين أقوى، مثل GPT5.6-Luna، أن النماذج الوسائطية المتعددة ذات قدرات قضاء قوية يمكنها توقع سقف أعلى للتطوير الذاتي. تشير النتائج المختلطة لتقديم النصوص إلى أن التحسينات الذاتية قد لا تكون متساوية عبر مهام مختلفة. يهدف الدراسة إلى تحسين تجربة المستخدم عند استخدام النماذج الوسائطية المتعددة دون إشراف أو إرشاد خارجي. وتسلط الضوء على مسار البحث الحالي الاحترافي للتحسين الذاتي المتكرر.
المصدر: Hacker News · لخّصه HeadlinesBriefing